常見問題
- 政府 AI 專案到底要怎麼驗收?
- 接政府 AI 案的廠商要準備哪些資料?
- AI 委外規格可不可以只寫準確率?
行動清單
- 先定義 AI 要解決的業務情境、使用者與決策影響
- 把資料來源、資料品質、個資與權限邊界寫進規格
- 把驗收指標拆成模型表現、系統可用性、資安、人工覆核與錯誤處理
- 要求廠商交付測試報告、限制說明、維運方式、操作日誌與移交文件
- 把上線後的監控、模型更新、資料更新、事故回報與責任分工先寫清楚
主題說明
這件事的重點不是「政府以後一定會怎麼標 AI 案」,而是官方文件已經把一個訊號講出來了:公務體系不能只會買 AI、看 AI demo,還要有人能寫規格、設驗收、盯委外、看風險。
AI 公務人才認定指引把 履約規格、驗收標準、委辦專案監理 放進 AI 政策人才能力,也把 專案-規劃類 認證列為公務特有項目。這代表政府 AI 專案未來真正難的地方,不一定是模型多炫,而是能不能被管理、被驗證、被移交、被追責。
官方已經講到哪裡
目前官方文件可以確認幾件事:
- AI 政策人才不只做政策規劃,也包含資料治理、倫理法規、風險控管、採購驗收機制。
- AI 政策人才能力裡明確出現履約規格、驗收標準設定與委辦專案監理。
- 專案-規劃類認證重點是 AI 服務導入規劃與履約監理,屬於公務特有項目。
- 專案-技術類則偏向完整 AI 專案實作、需求分析、資料收集、模型建置、系統部署、治理設計、技術審查與品質控管。
- 學習模組裡有「委外 AI 系統規格制定與驗收實務」,訓練目標包含 AI 模型測試、驗收基礎、指標流程、報告判讀與風險辨識。
- 「機關導入 AI 線」把需求定義、導入模式、資料評估、專案驗收與營運管理放在同一條流程裡。
白話講,政府已經不只是在問「公務員會不會用 AI」。它開始問:AI 專案從需求、資料、委外、測試、驗收到上線後營運,有沒有能力一路管下去。
驗收不能只看模型分數
AI 專案最容易出現的錯覺,是把驗收寫成一個漂亮數字。
例如:
模型準確率達 90% 即完成驗收。
這種寫法太薄。因為它沒有回答:測什麼資料?資料是不是接近真實業務?錯誤類型是什麼?低信心輸出怎麼處理?遇到敏感資料怎麼擋?上線後模型表現變差誰要看?使用者被錯誤影響時怎麼補救?
比較像樣的 AI 驗收,至少要拆成六個面向。
| 驗收面向 | 要問的問題 | 廠商或內部團隊要交付的證據 |
|---|---|---|
| 情境與需求 | AI 用在哪個流程?影響誰?哪些情境不能用? | 使用情境、需求對照表、排除情境 |
| 資料 | 資料從哪裡來?能不能用?品質如何?是否含個資或機密? | 資料盤點、資料處理紀錄、權限說明 |
| 模型與系統 | 模型表現怎麼測?API 或系統如何整合?失敗時怎麼退回? | 測試報告、架構圖、錯誤處理流程 |
| 風險與法遵 | 有沒有人工覆核?有沒有偏誤、資安、個資、著作權風險? | 風險評估、人工審核紀錄、資安檢核 |
| 營運維護 | 上線後誰監控?資料或模型怎麼更新?事件怎麼回報? | 維運計畫、監控指標、事故通報流程 |
| 移交與留痕 | 機關或企業能不能接手?出了事查不查得到? | 操作手冊、日誌、教育訓練與移交紀錄 |
規格可以怎麼寫得比較不危險
下面不是正式標案文字,只是幫讀者理解「AI 規格要寫到什麼程度」。
| 不夠好的寫法 | 比較可驗收的寫法 |
|---|---|
| 建置 AI 客服系統 | 建置可回答特定服務範圍的 AI 客服,列明可回答題庫、不可回答事項、信心不足轉人工、對話紀錄保存、錯誤回報與知識庫更新流程 |
| 建置 RAG 知識庫 | 列明文件來源、更新頻率、權限分級、引用來源顯示、查無資料回覆、測試問題集、回收率與錯誤案例處理 |
| 導入 AI 文書工具 | 定義可用文件類型、不可輸入資料、輸出覆核責任、版本紀錄、敏感資料遮蔽與教育訓練 |
| 模型準確率達 90% | 定義測試資料集、評估指標、錯誤類型、最低門檻、人工覆核點、上線後監控與重新評估條件 |
重點不是把規格寫得很厚,而是讓驗收真的能回答:這套 AI 到底能不能在指定情境裡被安全使用。
政府機關與廠商各自要準備什麼
| 角色 | 應該先準備 |
|---|---|
| 機關或業主 | 需求情境、資料盤點、風險等級、不可接受的錯誤、人工覆核點、驗收指標、維運責任 |
| AI 廠商 | 技術架構、模型限制、測試方法、資料處理方式、資安設計、日誌與監控、維運與移交文件 |
| 專案管理者 | 需求變更紀錄、測試與驗收排程、缺失改善追蹤、跨部門溝通、上線後檢討 |
| 法務或資安 | 個資、營業秘密、著作權、委外契約、權限、資料保存、事件通報與責任邊界 |
接政府案的廠商尤其要注意:政府可能越來越不滿足於「你們模型很準」這種說法。比較有說服力的是你能不能把資料、測試、限制、風險、維運、移交全部講清楚。
民間企業也可以借鏡
即使不接政府案,這套拆法也很適合企業內部買 AI 或導入 AI。
公司真正要問的不是「這套 AI 好不好用」,而是:
- 它用在哪個流程?
- 它吃什麼資料?
- 它錯了會怎樣?
- 誰要看它的輸出?
- 上線後誰維護?
- 出事時查不查得到?
如果這六題答不出來,通常代表專案還沒準備好驗收。
現在不能講太滿的地方
這份主題頁是從官方 Beta 指引和課綱整理出的實務方向,不是新的採購法律意見,也不是說所有政府 AI 標案現在都必須照這套做。
還要繼續追的是:
- 公務 AI 應用規劃導入能力認證何時正式完成。
- 這套能力分類是否會被各機關放進派訓、任用、採購或專案管理流程。
- 政府 AI 委外案未來是否會明確要求特定 AI 能力、證照或驗收文件。
- AI 風險分類框架、AI 產品與系統評測、資安與個資規範,會怎麼接到實際驗收。
常見問題
這篇是在說政府 AI 採購已經有新規定嗎?
不是。這篇整理的是 AI 公務人才認定指引裡已經出現的履約規格、驗收標準、委辦監理能力,並轉成政府機關與接案廠商可以先準備的實務清單。它不能寫成正式採購義務。
AI 專案驗收是不是只看準確率?
不應該只看準確率。AI 專案還要看資料來源、測試方法、適用場景、錯誤處理、人工覆核、資安權限、日誌、維運與更新。不同場景的驗收重點也會不同。
接政府 AI 案的廠商現在最該補什麼?
先補可交付的證據:需求對照表、資料盤點、測試報告、模型或系統限制、風險控管、權限與日誌設計、維運與移交文件。不要只準備簡報和 demo。
來源與查證
- 數位治理職能培力 / 數位發展部 / 查證 2026-06-11
- AI 公務人才認定指引 PDF / 數位發展部 / 查證 2026-06-11
- AI 公務人才學習模組與課綱 PDF / 數位發展部 / 查證 2026-06-11
- AI 公務人才認定指引 Beta 版新聞稿 / 數位發展部 / 查證 2026-06-11
- AI 公務人才發展辦公室專區 / 行政院人事行政總處 / 查證 2026-06-11